nirtg

零件切割问题 回溯算法的实现, 给定一块宽度为W的矩形板,矩形板的高度不受限制,现需要从板上分别切割出n个高度为hi,宽度()

说明：  

说明：  一种无监督的聚类算法，基于密度聚类，名称为基于快速搜索与寻找密度峰值的聚类(Clustering by fast search and find of desity peaks)

说明：  数据挖掘中的binning算法，用于数据预处理(Binning algorithm in data mining for data preprocessing)

应用背景 数据   ：两个月之内 40000个客户的15个数据字段   包含客户的 地          理位置，职业，职级，年收入，。。。。。。    购买过得产品 目的：对新客户进行推荐一个适合该客户的产品， 对老客户推荐可能再购买的产品 数据处理    数据清洗：   describe 每个特征统计分析       方差     -分析缺陷特征和波动性                 空值赋值为  “-1 “              -  保证模型的可使用    数据归一化：eg：邮编 相似度不高 根据一线二线….进行划分  – 特征的重要性 关键技术特征选择    随机森林：  判断特征的重要性 ：思考为何重要性高     AHP    ：  迭代设置每个特征的权重 模型选择   ：根据数据量数量，是否有标签，分类or回归选取 关于模型选择时候我想用协同过滤  但是不知道关于特征的协同过滤是怎么执行的   是每个特征都有一个评分构成评价矩阵么？

计算传递熵延迟时间的程序，根据延迟对应最大传递熵的原理(A program for calculating the delay time of transfer entropy)

说明：  处理ipix官网下载的雷达原始数据，将方位角以及俯仰角进行处理(Processing radar raw data downloaded from IPIX official website)

说明：  分类器的性能比较与调优: 使用scikit-learn 包中的tree，贝叶斯，knn，对数据进行模型训练，尽量了解其原理及运用。 使用不同分析三种分类器在实验中的性能比较，分析它们的特点。 本实验采用的数据集为house与segment。(Performance comparison and optimization of classifiers: We use tree, Bayesian and KNN in scikit-learnpackage to train the data model and try to understand its principle and application. The performances of three classifiers are compared and their characteristics are analyzed. The data set used in this experiment is house and segment.)

隐马尔科夫实现，包含forward-hmm, Viterbi-hmm, Baum-Welch-hmm(Hidden Markov implementation, including forward-hmm, Viterbi-hmm, Baum-Welch-hmm)

通过包围盒法和K-D树法实现电云数据的邻域收索，邻域值可以自动设置(Point cloud data by bounding boxes and K-D tree search method income neighborhood, neighborhood values can be automatically set)